基于O-RAN技术的高校5G基站部署研究

校园网是高校的基础设施,可以承载各种应用.5G网络为高校智慧校园的建设注入了新的活力,提供了新的信息传输平台.5G基站建设是高校校园网建设中重要的一环,开放式无线接入网(O-RAN)是新型的无线接入技术,可使基站软硬件解耦,加快基站的白盒化进程.高校场景适合高密度的小基站建设,O-RAN可以提升小基站的建设效率,降低成本,更容易扩展MEC应用.     

基于AI神经网络业务预测的网络容量规划方法研究

本文在无线数据业务需求爆发增长的背景下,基于业务发展趋势提出适用于无线网络容量规划的神经网络预测模型,创新采用数据增量与循环迭代预测方法,提升业务预测精度,并将预测结论应用于无线网络容量规划中,指导网络资源合理配置.     

超高容量5G网络容量规划方法研究

随着5G通信技术的发展,传统的网络规划方法短板日益凸显.本文针对超高容量网络的容量规划,建立4G/5G核心流量算法,实现多维度流量精准预测和分析,建立5G容量压抑模型,优化5G扩容标准和流程,为实现科学精准的网络规划和最大化提升网络性能提供了有力支撑.     

一种基于最大容量的多载波系统自适应调制和功率分配算法

该文从最大化信道容量(数据通过速率)的目标出发,基于简化的QAM调制统一误比特率表达式,用Lagrange乘数法给出了给定发送功率和QoS要求约束条件下最优功率和调制方式分配的闭式解,并利用Obit分配排除衰落大的子载波,成功地解决了实际的正功率和调制方式分配的要求。最后使用连续调制离散化近似(O,QPSK,16QAM和64QAM)的方法逼近基于连续调制优化的分配结果,仿真结果说明这种离散逼近的方法带来的信道容量损失可以忽略,并且能够保证给定的QoS要求,这种方式适合于可变速率的业务。     

基于深度学习网络的神经元自适应投影分类方法

传统的基于几何形态的神经元分类方法依赖于神经元空间结构特征的提取与选择,会损失大量有用的神经元分类信息.应用自适应投影算法将三维神经元进行转换,不需要提取神经元的几何特征,提出了一种基于深度学习网络的神经元几何形态分类方法.该方法将原始神经元数据进行三维体素重建,经过自适应投影过程构成二维神经元图像数据,并构建了基于双卷积门限循环神经网络的深度学习模型对神经元进行分类.将该方法应用于三种神经元分类数据集,通过与基于特征提取的神经元分类方法相比,实验结果表明该方法具有更高的分类准确率和良好的适应能力.     

基于神经网络计算的无线容量高实时预测

提出了一种基于卷积神经网络(CNN)计算的无线网络容量高实时预测方法。针对不同的网络部署环境,考虑路径损耗、信道衰落、墙损等因素,分别建立无线网络模型以获取数据集。将无线网络中接入点的部署方案视为二维矩阵像素图,并作为神经网络的输入,将无线网络容量标记为标签。使用CNN处理矩阵并输出数值,与标签值对比进行权重优化,再仿真验证CNN的不同架构和参数的影响。CNN可以更智能和高效地进行无线网络性能的评估与优化,实现大规模物联网(IoT)网络的部署和监管,具有高准确性和鲁棒性。     

基于自适应非线性网络的压缩感知重构算法

针对传统压缩感知(CS)进行复杂的迭代运算,重构时间长且质量差等问题,结合深度学习方法,提出一种自适应非线性测量卷积神经网络(NMECNN)的压缩感知重构算法。本算法将图像整体宽高进行压缩,作为测量网络替代传统的随机测量矩阵进行图像重建,同时利用多个扩张卷积层和上采样PixelShuffle方法获取图像不同尺度细节信息。通过与其他文献进行实验对比,本算法在不同采样率下,平均峰值信噪比(PSNR)分别高于MSRNets算法1 dB,0.7 dB,0.82 dB,1.61 dB;结构相似性(SSIM)值分别高0.03,0.04,0.24,0.10个单位,重构时间在CPU上比MSRNet算法快0.175 5 s, 0.399 8 s,0.41 s,0.396 s。最后通过大数据集与噪声实验,验证了本算法图像重构质量明显提高,重构时间大幅缩短,具有很强的抵抗噪声攻击能力。     

基于5G语音质差自适应算法研究及应用

MOS通常被业界用于评价语音质量,它能够客观公正地反映用户语音业务的感知。通过路测获取数据的方式难度大、成本高,通常采用训练好的监督学习模型预测MOS。但运营商语音数据存在MOS低分数据占比低和时序变化的特性,这种数据特性影响了模型预测的精度和泛化性。在研究现有运营商数据采集系统和机器学习算法的基础上,提出了一种面向5G语音质差MOS评估的自适应算法。首先,基于全参评估的POLQA算法测试设备获取训练数据,保证了训练样本的准确性;其次,通过数据增强的方法,解决了质差样本获取难度大的问题;最后,基于自适应算法选型实现周期性动态地根据数据特征的时序变化选择最佳MOS预测模型,实现5G语音质量规模化、智能化的评估。     

Centralized vs. distributed algorithms for resilient 5G access networks

Photonic Network Communications - Cloud radio access networks (C-RANs), relying on network function virtualization and software-defined networking (SDN), require a proper placement of baseband...     

自适应混合遗传算法在弹药装载中的应用研究

多约束条件下的弹药装载问题是一个复杂的组合优化问题,属于NP 完全问题,其求解是很困难的。本文在考虑弹药装载中各类约束条件的情况下,对简单遗传算法进行了多方面改进,提出了一种自适应混合遗传算法,来求解弹药装载问题。本文对该算法的编码和解码过程,以及复制算子、交叉算子和变异算子的构建,进行了详细的阐述,给出了使用该算法求解弹药装载问题的具体实现方法。     

Epidemic routing based on adaptive compression of vectors: efficient low‐delay routing for opportunistic networks based on adaptive compression of vectors

In the study of routing in opportunistic networks, we find that there are some redundant overhead when the existing epidemic‐based routing algorithms exchange summary vectors (SVs) and request vectors (RVs), and store SVs. To address this issue, we propose an efficient low‐delay routing algorithm, epidemic routing based on adaptive compression of vectors (ERACV). Our proposed algorithm adaptively shortens the length of SVs and RVs by compressing the same bit sequences, optimizes the mechanism of exchanging SVs and RVs, and improves the order of transmitting data packets. Theoretical analysis verifies the effectiveness of ERACV in decreasing redundant overhead and packet delay. Simulation results show that ERACV reduces SVs’ storage and control overheads by at least 18.0% and 35.8%, respectively, as well as decreases the average end‐to‐end delay of data packets by more than 2.5%, as compared with epidemic routing algorithm and message transmission control scheme. Copyright © 2013 John Wiley & Sons, Ltd.     

5G自身智能化及赋能智能产业之路

2019年是5G商用的元年,5G深入各个垂直行业的应用同人工智能(AI)的典型应用高度重叠。5G网络自身的智能化是5G+AI赋能各行各业应用的基础,同时也是提升网络效率,降低运营运维成本的关键。5G+AI赋能产业的场景和规模正在加速发展,这些不断拓展的新业务需求也对5G网络和AI技术提出了新的挑战。本文阐述了5G网络自身智能化及5G+AI赋能产业所取得的进展,以及面临的核心技术问题,呼吁产学研突破现有的研发共享合作模式,加速解决核心技术挑战。     

LTE网络建设与资费协同及应对策略研究

LTE更高的带宽以及网络容量需求将不断地驱动技术变革,用户平均收入构成将发生巨大的逆转,资费套餐的演进和变化无疑将成为关注的焦点。文章从业务占用与网络建设成本,剔除冗余、关注核心需求两个新视角探讨了资费套餐的演进路线图,并结合国外案例提出了近期的对策与实施建议。     

基于A3C的无线异构网络自适应视频流传输控制方法

比特率自适应（ABR）算法已经成为视频传输中研究的热点之一。然而,由于5G无线异构网络具有信道带宽波动大、不同网络间差异明显等特点,多终端协同的自适应视频流传输面临着巨大挑战。提出了一种基于深度强化学习的自适应视频流传输控制方法。首先,建立了视频流动态规划模型,对传输码率以及分流策略进行联合优化。由于该优化问题的求解依赖于精确的信道估计,这在信道状态动态变化的网络中很难实现。因此,将动态规划问题改进为强化学习任务,并采用A3C算法,动态决策视频码率和分流策略。最后,根据实测的网络数据进行仿真,与传统的优化方法相比,本文所提的方法较好地提高了用户QoE。     

Interworking techniques and architectures for WLAN/3G integration toward 4G mobile data networks

The intense wireless LAN standardization and R&D activities worldwide, combines with the recent successful deployment of WLANs, provide prime evidence that WLAN technology will play a key role in the fourth generation of mobile data networks. In this context, there is a strong need to integrate WLANs with 3G mobile data networks and develop hybrid mobile data networks capable of ubiquitous data services and very high data rates in strategic locations. This article addresses this need by proposing and discussing some novel architectures able to provide internetworking between WLAN and 3G networks, and meet the requirements of the most common internetworking scenarios. These architectures can enable 3G subscribers to benefit from high-throughput IP connectivity in hotspots and also to attain service roaming across several radio access technologies, such as IEEE 802.11, HiperLan/2, ULTRAN, and GERAN.     

Enhancing energy-efficient sleep scheduling for Narrowband Internet of Things devices in coordinated 5G networks within smart environments

This research project takes on a crucial role in the quickly changing field of integrated 5G networks inside smart environments by concentrating on the creation of an extremely effective sleep scheduling system designed especially for Narrowband Internet of Things (NB-IoT) devices. This work introduces a unique method for precisely controlling the nodes' sleep schedules through the use of convolutional neural network (CNN) architecture, which optimizes both energy usage and operating patterns. The principal goal still stands to guarantee the extended lifetime of operation and dependability of NB-IoT devices in the larger framework of intelligent ecosystems driven by synchronized 5G networks. To achieve its objectives, the research explores a number of complex domains and employs cutting-edge technologies and techniques, such as CNN-based pattern recognition. This method's real-time component is essential since it allows for prompt modifications to sleep schedules in order to optimize energy savings. Further boosting the devices' effectiveness and flexibility is continuous contact with a central server, which guarantees that the devices are updated with the most recent data and instructions. Essentially, the main objective of this study is to greatly increase the energy economy and operational lifetime of NB-IoT devices, which will allow for stable and long-lasting IoT deployments in the context of 5G networks in intelligent settings. This advancement is not only a boon for businesses and industries leveraging IoT technology but also a substantial step toward building smarter, more energy-efficient, and resilient smart ecosystems that benefit society as a whole.     

基于AI深度学习的面向业务5G基站节能系统研究

由于5G业务发展,5G基站数量增多,造成运营商的电费成本急剧增加,节能降耗成为运营商的可持续发展需求。在研究主流5G基站节能模式及多方位5G节能方案的基础上,提出了基于多种AI算法的5G基站节能系统,通过单SIM卡级别的高精度业务识别,在保证5G重要业务等各类型业务稳定运行的基础上,实现了最佳策略的5G基站柔性节能。     

基于遗传算法的部分自适应波束形成方法

将一种改进的遗传算法用于星载平面阵列天线方向图的实时综合。为了使遗传算法适合实时应用,在唯相自适应阵列的基础上进一步采用了部分阵元和部分比特的自适应波束形成,以降低算法计算量,提高其收敛速度。对基于改进遗传算法的唯相阵列部分阵元自适应波束形成和部分比特自适应波束形成进行了研究。模拟实验结果表明,两种方案都能够在波束“凝视”方向满足一定增益的前提下有效抑制来自旁瓣的强干扰,而且具有比传统唯相算法更快的收敛速度。